Kimi 原生多模态理解——图片、视频、文档一步到位

原生多模态 vs 外挂 OCR

这是 Kimi 和很多其他 AI 助手的核心差异：

• 外挂 OCR：先把图片 / PDF 里的文字识别出来 → 转成纯文本 → 喂给语言模型 → 语言模型理解并回答
• 原生多模态：模型直接"看懂"图片内容——不仅是文字，还有图表、颜色、布局、视觉元素

结果就是，Kimi 可以做到很多外挂 OCR 做不到的事：

• 从一张 Excel 截图里读出公式逻辑
• 从设计稿截图生成可用的前端代码
• 解析视频中每一帧的内容和变化
• 理解 PDF 里的表格、图片标题、章节层级结构

输入格式支持

图片理解的具体能力

拍照解题

对着题目（手写体也支持）拍一张照，Kimi 自动识别并给出完整解题过程。详见 拍照解题。

从设计稿生成代码

这是开发者的效率神器：

1. 把你的 UI 设计稿截图（Figma / Sketch / 甚至手绘稿）
2. 发给 Kimi，说"把这个页面做成 Vue 组件"
3. Kimi 会分析布局、颜色、字体等视觉元素，输出可运行的 Vue 代码

支持的前端框架：HTML / Vue / React / 原生 JS 等。

图表 / 公式识别

• 从图表截图中提取数据、解读趋势
• 识别手写公式、补全推导过程
• 从流程图 / 架构图中理解设计意图

截图 OCR + 理解

不止是提取文字——Kimi 能理解截图中的上下文。例如：

• 从浏览器截图里读出页面信息并回答相关问题
• 从 Excel 截图里解释公式含义
• 从 PPT 截图里提炼关键要点

视频理解

Kimi 支持视频输入，可以理解视频内容：

• 分析屏幕录制文件：复现操作逻辑、总结演示步骤
• 理解视频中的画面变化、文字信息
• 从多个时间点的关键帧提取要点

限制：视频理解仍在持续优化中，复杂场景下可能不如图片理解准确。如果视频太长，建议截取关键片段。

文档处理（PDF / Word / Excel / PPT）

这是 Kimi 原生多模态价值最大的场景之一。和外挂 OCR 不同，Kimi 能：

PDF

• 识别表格结构、自动转成 Excel
• 精准定位段落、章节层级
• 翻译时保持原文档格式
• 对比两份 PDF 的差异、标注风险条款

Excel

• 理解单元格公式、依赖关系
• 写出正确的复杂公式（VLOOKUP、SUMIFS、数组公式等）
• 自动生成数据透视表
• 从一份百万行级 Excel 中提取关键指标

Word

• 从长文档中自动生成大纲
• 多版本合同对比，标注差异和风险点
• 格式清洗：把混乱的文档整理成规范结构

PPT

• 从文字稿自动生成完整 PPT（含模板选择）
• 优化现有 PPT：精简文字、添加视觉元素
• 自动生成演讲备注（Presenter Notes）

实战案例

案例一：合同智能比对

帮我对比这两份 PDF 的条款差异，标注所有不利于我方的风险点：[上传文件 A.pdf] [上传文件 B.pdf]

Kimi 会逐条款比对，输出一份差异清单 + 风险标注 + 修改建议。

案例二：Excel 智能公式

这份 Excel 里，帮我写一个公式：根据产品类别、销售区域和日期范围计算总销售额。数据在 Sheet1 的 A~G 列。[上传文件 sales.xlsx]

Kimi 会先分析表格结构，然后给出正确的公式——包括要不要用 VLOOKUP 跨表查数据、要不要用 SUMIFS 多条件求和。

案例三：设计稿转前端

把这个 Figma 导出的页面截图转成一个 React 组件，用 Tailwind CSS：[上传截图]要求：响应式布局、可交互的按钮状态、组件化拆分

输出格式支持

除了输入格式多模态，Kimi 输出也支持丰富格式：

• Markdown（富文本：标题、列表、表格、代码块、Mermaid 图）
• 纯文本
• 代码（带语言标识，HTML / Vue / React / Python / JSON 等）
• LaTeX 数学公式（行内 + 块级）
• JSON 结构化数据
• Mermaid 图表（流程图、时序图、思维导图）
• 可编辑文件：.docx / .xlsx / .pptx / .pdf（Agent 模式端到端交付）

继续阅读

• 文件批量处理：一次上传 50 个文件的能力
• 拍照解题：移动端最常用的多模态场景
• 表格数据分析：Kimi 处理 Excel 的完整能力